Nelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
|
|
- María Gutiérrez Rivas
- hace 5 años
- Vistas:
Transcripción
1 IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
2 Contenidos Introducción 1 Introducción 2 3 4
3 Introducción Se sabe que si un problema de programación lineal admite solución óptima, entonces existe una solución básica factible (sbf) que es solución óptima de éste. Esto implica que: Si el problema tiene solución óptima única, ésta es una solución básica factible 1 Si el problema tiene infinitas soluciones óptimas, al menos una de ellas es una solución básica factible 1 El método Simplex aprovecha esto y busca la solución óptima moviéndose de una sbf a otra, a través de las aristas del poliedro factible, en alguna dirección que reduzca los costos. En este capítulo se considerará un problema en forma estándar, es decir: mín c x Ax = b x 0 1 sbf = vértice o punto extremo del poliedro factible
4 Condiciones de Optimalidad Como todo problema de programación lineal es representado por un poliedro, basta con buscar óptimos locales, ya que en un conjunto convexo todo óptimo local es un óptimo global. Óptimo Local: Un punto x es un óptimo local si ningún punto factible cercano a él lleva a una mejora en la función objetivo. Formalmente, x es un óptimo local de P si y sólo si: ε > 0, x B(x, ε) P, c x c x Donde B(x, ε) es una bola de radio ε centrada en x
5 Propiedades de la Recordemos que el problema en forma estándar de la primera lámina es una representación matricial del siguiente problema: mín n c i x i i=1 n A i x i = b i=1 x i 0 i = 1,..., n Sean B(1),..., B(m) los índices de las variables básicas para una sbf del poliedro factible. Recordar que en una sbf se tiene que x i = 0, i / B = {B(1),..., B(m)} El problema se puede escribir ahora separando las variables básicas de las no básicas...
6 Propiedades de la mín n c i x i i=1 n A i x i = b i=1 mín m c B(i) x B(i) + c i x i i=1 i / B m A B(i) x B(i) + A i x i = b i / B x i 0 i = 1,..., n x i 0 i = 1,..., n En términos matriciales, lo que se hizo fue reordenar las columnas de la matriz A y las componentes de los vectores c y x, de manera que se obtenga el mismo resultado: i=1
7 Propiedades de la
8 Propiedades de la Ahora el problema se puede escribir matricialmente de la siguiente forma: mín c B x B + c N x N (1) A B x B + A N x N = b (2) x 0 (3) Sabemos que en una sbf, la matriz A B es de rango completo y, por lo tanto, es invertible. Luego, de la ecuación (2) se tiene: x B = A 1 B b A 1 B A Nx N (4) Sean b = A 1 B b, A N = A 1 B A N, por lo tanto: x B = b A N x N En las sbf s se tiene que x N = 0, luego x B = b
9 Costos Reducidos Reemplazando la ecuación (4) en (1) se tiene: c B (A 1 B b A 1 B A Nx N ) + c N x N c B A 1 B b + (c N c B A 1 B A N)x N c B A 1 B b + c N x N Donde llamamos costos reducidos a: c N = c N c BA 1 B A N (5) Notar que estos costos consideran los costos de las variables no básicas (c N ) y una componentde de los costos de las variables báscias ( c B A 1 B A N), que depende de las columnas de A asociadas a las variables no básicas (A N ).
10 Costos Reducidos Luego el problema de optimización queda: mín c B A 1 B b + c N x N x 0 Notar que el término c B A 1 B b es una constante para el problema. El óptimo de este problema depende de los costos reducidos: Si todos los costos reducidos son no negativos, el óptimo se alcanza para x N = 0 y, por lo tanto, la base (B) es la base óptima para el problema. Si existe una componente i negativa en los costos reducidos, significa que se obtiene un beneficio al aumentar el valor de x i, por lo que ésta debería dejar de ser una variable no básica (entraría a la base) y, por lo tanto, la base actual no es óptima.
11 Dirección Factible Una dirección factible es aquella dirección en la que es posible moverse sin salir inmediatamente del poliedro. Formalmente, dado un poliedro P y un punto x P R n, un vector d R n es una dirección factible en x si: θ > 0/x + θd P
12 Dirección Básica Factible Sea x una sbf y B = {B(1),..., B(m)} los índices de las variables básicas. Sabemos que: x B = b x i = 0 i / B Supongamos que queremos movernos desde x a otro punto y, eligiendo una de las variables no básicas j (que inicialmente vale 0) y aumentando su valor sin modificar las demás variables no básicas. Usaremos la dirección: d j = (d j B d j N ) d j B = (d j B(1),..., d j B(m) ) d j N = (0,..., 0, 1, 0,..., 0) Donde d j N tiene todas sus componentes nulas excepto la j-ésima, que vale 1. Llamaremos a d j la j-ésima dirección básica.
13 Dirección Básica Factible Ahora nos movemos en la dirección d j hacia el nuevo punto y: Es decir: y = x + θd j, θ > 0 y B = x B + θd j B y N = x N + θd j N Como queremos movernos por dentro del poliedro, sólo nos interesan los puntos factibles, es decir, se necesita que: Ay = b A(x + θd j ) = b Como x es factible (Ax = b), se necesita que Ad j = 0: n m Ad j = A i d j i = A B(i) d j B(i) + A j = A B d j B + A j = 0 i=1 i=1 Despejando, se obtiene la j-ésima dirección básica factible: d j B = A 1 B A j
14 Dirección Básica Factible Al moverse en una dirección d j también se debe verificar si se mantiene la no negatividad de las variables y 0 x + θd j 0 Las variables no básicas, que inicialmente valen 0, no sufren cambios, excepto por la variable x j, la que sólo puede aumentar, ya que d j j = 1 y θ > 0. y i = x i + θ 0 y i = x i i / B, i j y j = x j + θ 1 y j = x j + θ
15 Dirección Básica Factible Para las variables básicas hay 2 casos: El punto x es no degenerado, lo que implica que x B > 0 y para un θ suficientemente pequeño: y B = x B + θd j B 0 El punto x es degenerado, es decir, existe x B(i) = 0 y puede ocurrir que la componente d j B(i) sea negativa, violando inmediatamente la no negatividad para cualquier valor de θ: y B(i) = x B(i) + θd j B(i) < 0 Con: d j B(i) = ( A 1 B A j ) B(i) < 0 (6)
16 Dirección Básica Factible La función objetivo en el nuevo punto queda dada por c y = c (x + θd j ) Luego, al movernos en esta dirección, la tasa de cambio en la función objetivo estará dada por c d j c d j = c Bd j B + c j Reemplazando d B de la ecuación (6) se recupera el costo reducido de la variable no básica j c d j = c j c BA 1 B A j = c j Luego, si el costo reducido de la variable j es negativo, conviene moverse en la j-ésima dirección básica, ya que la función objetivo disminuye. Si es positivo, no conviene moverse en esa dirección, pues se empeora el valor de la función objetivo. Si es cero, es indiferente el moverse en esa dirección.
17 Dirección Básica Factible
18 Condiciones de Optimalidad Sea x una sbf y sea c N el vector de costos reducidos correspondiente a una base B asociada a x: Si c N 0, entonces x es óptimo. Si x es óptimo y no degenerado, entonces c N 0. Una base B se dice óptima si cumple factibilidad y no negatividad de los costos reducidos: Factibilidad: Ax = b A B x B = b x B = A 1 B b b = A 1 B b 0 Costos reducidos no negativos: c N = c N c BA 1 B A N 0
19 Desarrollo del Hasta ahora sabemos: Verificar si la sbf actual es óptima. Cómo movernos desde una sbf a través de la j-ésima dirección básica factible. Falta por saber: Cuánto moverse a lo largo de la j-ésima dirección básica factible. Cómo escoger esta dirección. En lo que sigue asumiremos que todas las sbf son no degeneradas.
20 Desarrollo del Supongamos que en la sbf x se tiene que el j-ésimo costo reducido es negativo. Luego, es conveniente moverse en la j-ésima dirección básica factible (d j ). Como al moverse en esta dirección se está reduciendo el valor de la función objetivo, conviene moverse lo máximo posible, manteniendo la factibilidad. Luego, se escoge θ que cumple: θ = máx {θ 0/x + θd j P}
21 Desarrollo del La única forma en que se viola la factibilidad del problema al moverse en una dirección básica factible es haciendo negativa alguna de las componentes del nuevo punto. Luego, hay 2 casos: Si d j 0 entonces y = x + θd j nunca se hace infactible y se tiene que θ = + (problema no acotado) Si d j i < 0 para alguna componente i, entonces y i = x i + θd j i 0 θ x i d j i Esto debe cumplirse para todo i tal que d j i < 0, luego: { } θ = mín i/d j i <0 x i d j i
22 Desarrollo del Como d j i = ( A 1 B A j) i = (A j ) i se tiene que: { } θ xi = mín i/(a j ) i >0 (A j ) i = mín i/(a ij >0 { bi Donde a ij es la i-ésima componente de la j-ésima columna de la matriz A N = A 1 B A N a ij }
23 Desarrollo del Ahora estamos en y = x + θ d j Notar que la variable no básica x j ya no es nula y ahora vale: y j = x j + θ d j = 0 + θ 1 = θ Notar también que la variable básica x l ahora es nula: ( ) θ = x l d j l y l = x l + x l d j l d j l = 0 Esto hace que la variable x j reemplace a x l en la base. Se dice que x j entra a la base y x l sale de la base. Teorema: { AB(i) i l La nueva matriz  B(i) = tiene columnas l.i. y, A j i = l por lo tanto, también es una matriz básica. El punto y = x + θ d j es la sbf asociada a la matriz ÂB
24 Una Iteración de Simplex 1. Comenzamos con una base A B(1),..., A B(m) y una sbf x asociada. 2. Calcular los costos reducidos para todas las variables no básicas (j / B): c j = c j c B A 1 B A j Si todos son no negativos, entonces la base actual es óptima y el algoritmo termina. Si no, escoger algún j con c j < Calcular la j-ésima dirección básica factible d j = A 1 B A j. Si ninguna de sus componentes es negativa, entonces el problema es no acotado (el óptimo es ) y el algoritmo termina.
25 Una Iteración de Simplex 4. Si alguna componente de d j es negativa, encontrar: { } θ = mín {i B/d j i <0} x i d j i 5. Sea l tal que θ = x l d j. l Formar una nueva base reemplazando la columna A l con A j. Las componentes de la nueva sbf y están dadas por: y j = θ y B(i) = x B(i) + θ d j B(i)
26 Finitud de Simplex Teorema: Asumiendo que el conjunto factible es no vacío y que todas las sbf s son no degeneradas, entonces el método Simplex termina en un número finito de iteracíones y entrega una de las siguentes posibilidades: Una base B óptima y su correspondiente sbf x óptima. Una dirección d de crecimiento factible e infinito. Luego, el problema es no acotado y el costo óptimo es.
27 Simplex con Degenerancia Si se usa exactamente el mismo algoritmo en presencia de degenerancia pueden ocurrir las siguientes posibilidades: Si θ > 0 puede ocurrir que más de una de las variables básicas se anule en el nuevo punto y = x + θ d j. Como sólo una de ellas sale de la base y la otra se mantiene en ella valiendo cero, la nueva sbf es degenerada. Si la sbf actual x es degenerada puede ocurrir que θ = 0, con lo cual la nueva sbf y es la misma que x (y = x). En este caso, a pesar de que se obtiene una base distinta, se mantiene la misma sbf asociada a ambas bases.
28 Simplex con Degenerancia Al moverse a y = x + θ d j se tiene que hay 2 variables que se anulan: x r = 0 y x s = 0 Luego, puede escogerse cualquiera de ellas para salir de la base. Al intentar moverse en la dirección d j, se tiene que θ = 0 Luego, el nuevo punto corresponde al mismo punto anterior.
29 Simplex con Degenerancia En estas condiciones el algoritmo puede, eventualmente, volver a la base inicial y quedar atrapado en un loop infinito. Para evitar esto se utilizan las llamadas reglas de pivoteo, las cuales sirven para elegir qué variables entran y salen de la base en cada iteración.
30 Simplex con Degenerancia Criterios de entrada a la base: Escoger la variable que tenga el mínimo costo reducido. Asegura la máxima tasa de mejora en la función objetivo en cada iteración. Escoger la primera variable que tenga costo reducido negativo en orden lexicográfico. Es mucho más simple y tiene menor costo computacional. Criterios de salida de la base: Si hay más de una variable que se anula en la nueva sbf, escoger la primera en orden lexicográfico. Usando estos criterios se garantiza que el método Simplex no se quede atrapado en un loop.
31 Dudas y/o Comentarios a:
32
Repaso del algoritmo SIMPLEX
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN70K: Clase Auxiliar Repaso del algoritmo SIMPLEX Marcel Goic F. 1 1 Esta es una versión bastante
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesGuía de Problemas para el Control 2
Guía de Problemas para el Control 2 Geometría Problema 1 Demuestre que la intersección de conjuntos convexos es un conjunto convexo. Utilizando esto demuestre que todo poliedro es un conjunto convexo.
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesAnálisis de Sensibilidad
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 5 Contenidos
Más detallesForma estándar de un programa lineal
Forma estándar de un programa lineal Sin pérdida de generalidad, todo programa lineal se puede escribir como: min cx s.t Ax = b x 0 Objetivo: minimizar Todas las desigualdades como ecuaciones Todas las
Más detallesLa Geometría de la Programación Lineal
La Geometría de la Programación Lineal Basado en Bertsimas Tsitsiklis Introduction to Linear Optimization Chap. IN7 Modelamiento y Optimización Nelson Devia C. Introducción Se dice que un conjunto S en
Más detallesIN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0
IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesProgramación Lineal. Yolanda Hinojosa
Programación Lineal Yolanda Hinojosa Contenido Formulación primal de un programa lineal. Propiedades Algoritmo del simplex Algoritmo dual del simplex Formulación dual de un programa lineal. Propiedades
Más detallesMétodo Simplex en Optimización de Problemas de Producción
Método Simplex en Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile - Fernando Islas - Carlos Testuri Héctor Cancela - Antonio Mauttone Depto. Investigación Operativa. Instituto de Computación.
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detallesControl 2 IN mayo 2009
Profs: Auxs: Daniel Espinoza Gonzalo Romero Víctor Bucarey Nelson Devia Jocelyn González Daniel Lillo Fernando Solari Control 2 IN3701 28 mayo 2009 Pregunta 1 La empresa de pigmentos LILLO & Co. debe decidir
Más detallesFundamentos de Programación Entera. A. Revisión. Carlos Testuri Germán Ferrari
Fundamentos de Programación Entera A. Revisión Carlos Testuri Germán Ferrari Departamento de Investigación Operativa Instituto de Computación Facultad de Ingeniería Universidad de la República 2012-2018
Más detallesMétodo Simplex. Ing. Ricardo Fernando Otero, MSc
Método Simplex Ing. Ricardo Fernando Otero, MSc Forma estándar de un modelo de programación lineal Dirección de mejora: Maximizar Todas las restricciones deben ser El lado izquierdo debe contener solo
Más detallesCO5411. Dantzig-Wolfe / Descomposición de Benders. Prof. Bernardo Feijoo. 06 de febrero de 2008
Dantzig-Wolfe / Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 06 de febrero de 2008 Contenido 1 Dantzig-Wolfe 2 Contenido Dantzig-Wolfe 1 Dantzig-Wolfe 2 Ahora la nueva base produce
Más detallesEl algoritmo del Simplex. Forma tabular
El algoritmo del Simplex. Forma tabular 1 Soluciones básicas factibles Consideremos el siguiente poliedro P = {x R n, tal que Ax = b, x } con A M m n, b R m, m n, x y RangoA = RangoA, b = m. Observación
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesDualidad y postoptimización
Dualidad y postoptimización José María Ferrer Caja Universidad Pontificia Comillas Definición A cada problema de optimización lineal le corresponde otro que se denomina problema dual En forma canónica
Más detallesmax c T x s.a. Ax b x 0 y un diccionario general para dicho problema a rs x s, c s x s z = d + b r y r min b T y s.a. A T y c y 0
CO-34 (S8) 25/3/28 8 Formalizaremos lo visto en la clase anterior. Considere un problema en forma estándar max s.a. c T x Ax b x un diccionario general para dicho problema x r = b r + a rs x s, s NB z
Más detallesGeometría y Poliedros
IN3701, Optimización 3 de agosto de 2009 Contenidos 1 Definiciones Básicas Definición 2.1 S R n es un poliedro si S = {x R n : Ax b} para algún A R m n, b R m. Definición 2.2 S R n es acotado si existe
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesOptimización lineal. José María Ferrer Caja Universidad Pontificia Comillas ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INDUSTRIAL
Optimización lineal José María Ferrer Caja Universidad Pontificia Comillas Introducción Herramienta más importante de la optimización y de la investigación operativa Multitud de aplicaciones en campos
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detallesAuxiliar 7: Dualidad
IN3701: Modelamiento y Optimización Profs: Richard Weber, Rodrigo Wolf Coordinador: M. Siebert Aux: V. Bucarey, N. Devia, P. Obrecht Auxiliar 7: Dualidad Lunes 5 de Diciembre de 2011 Pregunta 1: Dualidad
Más detallesPASO 1: Poner el problema en forma estandar.
MÉTODO DEL SIMPLEX PASO Poner el problema en forma estandar: La función objetivo se minimiza y las restricciones son de igualdad PASO 2 Encontrar una solución básica factible SBF PASO 3 Testar la optimalidad
Más detallesProgramación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Más detallesTema 18. Programación lineal Formulación primal de un programa lineal
Tema 18 Programación lineal 18.1. Formulación primal de un programa lineal Dentro de la programación matemática hablamos de programación lineal (PL) si tanto la función objetivo como las restricciones
Más detallesDegeneración y ciclaje. Método de las dos fases CO-3411 (S08) 30/03/
CO-3411 (S08 30/03/2008 98 Degeneración y ciclaje En el caso de problemas generales, una solución será degenerada cuando alguna de las variables básicas se encuentra en una de sus cotas (comparar con el
Más detallesUNIDAD 3 MÉTODO SIMPLEX. Fundamentos del método simplex
UNIDAD 3 MÉTODO SIMPLEX Fundamentos del método simplex Teoría Este método busca la solución, en cada paso, de forma mejorada hasta que no pueda seguir mejorando dicha solución. Al comienzo el vértice principal
Más detalles84 Tema 3. Dualidad. todas las restricciones son del tipo, todas las variables son no negativas.
Tema 3 Dualidad En el desarrollo de la programación lineal la teoria de la dualidad es importante, tanto desde el punto de vista teórico como desde el punto de vista práctico. Para cada modelo lineal se
Más detallesTEST IO-I T1. CONCEPTOS PREVIOS. C1.1. Cualquier conjunto convexo tiene al menos un punto extremo?
TEST IO-I T1. CONCEPTOS PREVIOS C1.1. Cualquier conjunto convexo tiene al menos un punto extremo? a) Puede tener puntos extremos. b) Puede no tener puntos extremos. c) Puede tener vértices. C1.2. Es convexo
Más detallesControl 2 13 de Mayo 2009
Control 2 13 de Mayo 2009 Profs: Auxs: Guillermo Durán Richard Weber Fernanda Bravo, André Carboni, Rodrigo Wolf Pregunta 1 1. (1.2 Ptos.) Cuáles son los 3 criterios principales que guían el algoritmo
Más detallesMÉTODO SIMPLEX. Introducción
MÉTODO SIMPLEX Introducción El Método Simplex publicado por George Dantzig en 1947 consiste en un algoritmo iterativo que secuencialmente a través de iteraciones se va aproximando al óptimo del problema
Más detallesANÁLISIS DE SENSIBILIDAD.
ANÁLISIS DE SENSIBILIDAD. En la mayoría de las aplicaciones practicas, algunos datos del problema no son conocidos con exactitud y por esto son estimados tan bien como sea posible. Es importante poder
Más detallesDualidad. Dpto. Ingeniería Industrial, Universidad de Chile. 22 de abril de IN3701, Optimización
Contenidos Motivación y Representación de Poliedros IN3701, Optimización 22 de abril de 2009 Contenidos Motivación y Representación de Poliedros Contenidos 1 Motivación 2 y Representación de Poliedros
Más detalles(2.b) PROPIEDADES DE LOS MODELOS LINEALES
(2.b) PROPIEDADES DE LOS MODELOS LINEALES ESTUDIO GRÁFICO DE UN P.P.L. EN R 2. Caracterización de la región factible. Resolución gráfica del problema. Óptimos alternativos. Problemas no factibles y no
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesAlgebra lineal y conjuntos convexos 1
Algebra lineal y conjuntos convexos Solución de sistemas. Espacios vectoriales. 3 Conjuntos convexos. 4 Soluciones básicas puntos extremos. Rango de una matriz A R m n. Reducir A a una matriz escalonada
Más detallesINGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA
INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA Sesión 4 Objetivos: Aplicar el método simplex a la solución de problemas reales. Contenido: Introducción al método Simplex Requerimiento del método Simplex
Más detallesMatemática 2 MAT022. Clase 6 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María. Determinante de una matriz
Matemática 2 MAT022 Clase 6 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María Tabla de Contenidos 1 Determinante de una matriz Sea A la matriz de orden 2 2 con coeficientes
Más detallesTema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
Más detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detallesMÉTODO SIMPLEX REVISADO O FORMA MATRICIAL
MÉTODO SIMPLEX REVISADO O FORMA MATRICIAL Algoritmo del método simplex que mejora la eficiencia de los cálculos, se realizan los mismos pasos del método simplex visto, sólo se diferencia en la manera de
Más detallesElementos de Cálculo Numérico
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico Primer cuatrimestre 2006 Práctica N 2: Condicionamiento de una matriz. Descomposición
Más detalles11.SISTEMAS DE ECUACIONES LINEALES DEFINICIÓN DE ECUACIÓN LINEAL DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN
ÍNDICE 11SISTEMAS DE ECUACIONES LINEALES 219 111 DEFINICIÓN DE ECUACIÓN LINEAL 219 112 DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN 220 113 EQUIVALENCIA Y COMPATIBILIDAD 220 11 REPRESENTACIÓN MATRICIAL
Más detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesMétodos de Optimización para la toma de decisiones
Facultad de Ingeniería Departamento de Ciencias de la Ingeniería Magíster en Logística y Gestión de Operaciones Métodos de Optimización para la toma de decisiones MLG-521 Programación Entera 1º Semestre
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesSoluciones básicas factibles y vértices Introducción al método símplex. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Soluciones básicas factibles y vértices Introducción al método símplex Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema PLs en formato estándar Vértices y soluciones
Más detallesEJERCICIO 1. Max Z = 6 x x 2 s.r. (1) 4 x x 2 12 (2) 2 x x 2 16 (3) 2 x 1 6 x 1, x 2 0
Considere el Programa Lineal siguiente: EJERCICIO Max Z 6 x + 9 x 2 s.r. () 4 x + 6 x 2 2 (2) 2 x + 8 x 2 6 (3) 2 x 6 x, x 2 0 (.a) 3 2 0 2 3 4 5 6 7 8 El Problema tiene una Región Factible delimitada
Más detalles1. Ecuaciones lineales en cuerpos finitos
1. Ecuaciones lineales en cuerpos finitos Un cuerpo es un conjunto F dotado de dos operaciones suma y producto, usualmente denotadas por + y que satisfacen los axiomas de los números reales, exceptuando
Más detalles1.Restricciones de Desigualdad 2.Procedimiento algebraico
Universidad Nacional de Colombia Sede Medellín 1. Restricciones de Desigualdad Clase # 6 EL MÉTODO M SIMPLEX El método m simplex es un procedimiento algebraico: las soluciones se obtienen al resolver un
Más detallesLa factorización eta CO-3411 (S08) 09/03/
CO-3411 (S08) 09/03/008 74 La factorización eta Esta factorización es una forma de llevar la matriz A B en cada iteración que evita tener que resolver los sistemas lineales involucrados desde cero, pudiendo
Más detalles7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detallesPAIEP. Sistemas de Ecuaciones Lineales
Programa de Acceso Inclusivo, Equidad y Permanencia PAIEP Universidad de Santiago de Chile Sistemas de Ecuaciones Lineales Consideremos el sistema lineal de dos ecuaciones y dos incógnitas x + y = 2 2x
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Estudiantes: FAREM-Carazo Unidad III Metodologías para la Solución
Más detallesMÉTODO SIMPLEX. PROFESORA: LILIANA DELGADO HIDALGO
MÉTODO SIMPLEX PROFESORA: LILIANA DELGADO HIDALGO Liliana.delgado@correounivalle.edu.co 2. Relación Entre Método Gráfico y Enumeración De Método Gráfico Sujeto a: x 1 = 4 2x 2 = 12 3x 1 + 2x 2 = 18 Restricciones
Más detallesMatrices Inversas. Rango Matrices Elementales
Matrices Inversas. Rango Matrices Elementales Araceli Guzmán y Guillermo Garro Facultad de Ciencias UNAM Semestre 2018-1 doyouwantmektalwar.wordpress.com Matrices Matrices identidad La matriz identidad
Más detallesProgramación Lineal. - Si no: Sea j tal que c
Programación Lineal El objetivo de este documento es hacer una breve introducción a la programación lineal que pueda contribuir al fácil manejo de la aplicación. La programación lineal es un procedimiento
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 8 de Septiembre de 23 25 puntos Dado el problema lineal máx x + x 2 x 3 sa x + x 2 + x 3 2 2x x 2 x 3 2 x, se pide
Más detalles3.1. Motivación gráfica del método Simplex
l método Simplex. Algoritmo de las dos fases.. Motivación gráfica del método Simplex l método gráfico de resolución nos garantiza que si la región de soluciones posibles es acotada, como ocurre en los
Más detallesBASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3)
4 de Julio de 26 ASES MATEMÁTICAS DEL MÉTODO SIMPLEX (Parte 3) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela 4 de Julio de 26 MÉTODO SIMPLEX REVISADO
Más detallesGeometría afín y proyectiva, 2016 SEMANA 2
Geometría afín y proyectiva, 2016 SEMANA 2 Sonia L. Rueda ETS Arquitectura. UPM September 20, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra
Más detallesConjuntos y funciones convexas
Conjuntos y funciones convexas Un conjunto X R n se dice convexo si para todo par de puntos x 1 y x 2 en X, λ x 1 + ( 1- λ) x 2 X, para todo λ [0,1] Qué significa esto geométricamente? Un punto λ x 1 +
Más detallesÁLGEBRA LINEAL I NOTAS DE CLASE UNIDAD 2
ÁLGEBRA LINEAL I NOTAS DE CLASE UNIDAD 2 Abstract Estas notas conciernen al álgebra de matrices y serán actualizadas conforme el material se cubre Las notas no son substituto de la clase pues solo contienen
Más detallesResolvamos los modelos de una vez por todas (aunque tengan más de dos variables) Usaremos el Método Simplex, desarrollado por George Dantzig en 1947
Teórica III Nuevamente recordamos que este material es de apoyo a las clases teóricas. Si no asistieron a la clase, les faltarán varias cosas que tienen que ver con el trabajo en clase y con las explicaciones
Más detallesx 1, x 2 0 Maximizar 3x 1 + x 2 s.a 2x 1 + x 2 4 2x 1 + 3x 2 4 x 1 + 3x 2 3
EJERCICIOS DE INVESTIGACIÓN OPERATIVA. Hoja. Dado el PL: Maximizar x + x x s.a x + x + x x x x x, x, x Calcula la solución del problema aplicando el algoritmo del Simplex. Existe más de una solución óptima?
Más detallesINVESTIGACION DE OPERACIONES:
METODO SIMPLEX El algoritmo símplex fue descubierto por el matemático norteamericano George Bernard Dantzig en 1947, es una técnica para dar soluciones numéricas a problema de programación lineal Un problema
Más detallesCoordinación de Matemáticas III (MAT 023) x a. Además, diremos que f es continua en U si f es continua en cada punto de U.
Coordinación de Matemáticas III (MAT 023) 1 er Semestre de 2013 Continuidad de Funciones en Varias Variables 1. Continuidad Definición 1.1. Sean U R n abierto, a U y f : U R una función real de varias
Más detallesPOST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES.
POST-OPTIMIZACIÓN Y SENSIBILIDAD EN PROBLEMAS LINEALES. Una de las hipótesis básicas de los problemas lineales es la constancia de los coeficientes que aparecen en el problema. Esta hipótesis solamente
Más detallesProgramación Lineal. El método simplex
Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación
Más detallesPROGRAMACIÓN MATEMÁTICA
PROGRAMACIÓN MATEMÁTICA TEMA 1. INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA. CONJUNTOS CONVEXOS. CONVEXIDAD DE UNA FUNCIÓN. PLANTEAMIENTO FORMAL DEL PROBLEMA DE PROGRAMACION MATEMATICA. - Función Objetivo:
Más detallesUn sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Más detallesForma estándar de un PPL con m restricciones y n variables. (b 0)
Forma estándar de un PPL con m restricciones y n variables Maximizar (minimizar) Z = c 1 x 1 + c 2 x 2 +... + c n x n a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 +a 22 x 2 +... + a 2n x n = b 2...
Más detallesEL MÉTODO SIMPLEX ALGEBRAICO. M. En C. Eduardo Bustos Farías
EL MÉTODO SIMPLEX ALGEBRAICO M. En C. Eduardo Bustos Farías Modelos sin solución Degeneración. óptima Soluciones múltiples o alternativas () No acotado: Ocurre cuando el objetivo puede crecer infinitamente
Más detallesCapítulo 2. Determinantes Introducción. Definiciones
Capítulo 2 Determinantes 2.1. Introducción. Definiciones Si nos centramos en la resolución de un sistema A x = b con A una matriz n n, podemos calcular A 1 y la resolución es inmendiata. El problema es
Más detallesOptimización y Programación Lineal
Optimización y Programación Lineal Método Simplex: Minimización 3 de enero de Método Simplex: Minimización () Optimización y Programación Lineal 3 de enero de / 4 Minimización Minimización En la definición
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 16 de febrero de 2007
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa de febrero de 7 Problema. ( puntos Dado el problema de programación lineal: Maximizar x x + x s.a x + x x x x +
Más detallesSISTEMAS DE ECUACIONES LINEALES Y MATRICES
y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015 1 Visita http://sergiosolanosabie.wikispaces.com y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015
Más detalles3. Algoritmos de puntos interiores para. Programación Lineal Introducción CO-5411 (S08) 23/02/
CO-5411 S08) 23/02/2008 35 3. Algoritmos de puntos interiores para Programación Lineal 3.1. Introducción A nales de la década de los años 40, George B. Dantzig diseña el algoritmo Simplex y da comienzo
Más detallesAnálisis Post Optimal y Algoritmo de Ramificación y Acotamiento
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Análisis Post Optimal y Algoritmo de Ramificación y Acotamiento Marcel Goic F.
Más detallesMÉTODO SIMPLEX. Es un método genérico de solución de problemas lineales, desarrollado por George Dantzig en 1947.
FUNDACIÓN UNIVERSITARIA DE SAN GIL UNISANGIL UNAB Pág. 1 MÉTODO SIMPLEX Es un método genérico de solución de problemas lineales, desarrollado por George Dantzig en 1947. Matricialmente podemos representar
Más detallesMatrices y sistemas de ecuaciones lineales. Autovalores y autovectores.
Tema 5 Matrices y sistemas de ecuaciones lineales Autovalores y autovectores 5 Introducción Una matriz es una disposición ordenada de elementos de la forma: a a a m a a a m a n a n a nm Sus filas son las
Más detalles(a) (0.5 puntos) Compruebe que esta ecuación tiene exactamente una solución en el intervalo
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERÍA. INSTITUTO DE CIENCIAS BÁSICAS. Cálculo Numérico, Control 1. Semestre Otoño 007 Problema 1. Se desea encontrar una raíz de la función f(x) = cos (x) x.
Más detallesTema 2 Conjuntos convexos
Tema 2 Conjuntos convexos José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 2 Conjuntos convexos. Propiedades básicas y ejemplos. Cierre e interior de un
Más detallesRango de una matriz. Jana Rodriguez Hertz GAL 1. 2 de abril de 2013 IMERL
Rango de una matriz Jana Rodriguez Hertz GAL IMERL 2 de abril de 203 rango rango recordemos: rango si A = {A, A 2,..., A n } conjunto de vectores de K n llamamos rango(a) a la máxima cantidad de vectores
Más detallesTema 1. Modelos lineales y solución gráfica. 1.1 El modelo lineal
Tema 1 Modelos lineales y solución gráfica La programación lineal es una importante rama de la Investigación Operativa. Esta técnica matemática consiste en una serie de métodos que permiten obtener la
Más detallesContenido: Solución algebraica a los problemas de programación lineal con el método simplex.
Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto
Más detallesEjercicios - Resolución de problemas lineales. Método Simplex
Ejercicios - Resolución de problemas lineales. Método Simplex Programación Matemática LADE Curso 8/9. Dado el problema lineal máx x x x + x s.a. x + x + x = 4 x + x 4 x justifica que el punto x = ( T es
Más detallesProgramación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Más detallesCO5411. Prof. Bernardo Feijoo. 13 de febrero de Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar
Departmento de Cómputo Cientíco y Estadística Universidad Simón Bolívar 13 de febrero de 2008 Contenido 1 Contenido 1 Existe un vector x 0 que cumple Bx = a a T u 0 para todos los u que satisfacen B T
Más detallesLa Programación Lineal. H. R. Alvarez A., Ph. D. 1
La Programación Lineal H. R. Alvarez A., Ph. D. 1 Aspectos generales Se considera a George Dantzig el padre de la P. L. Su objetivo es el de asignar recursos escasos a actividades que compiten por ellos.
Más detallesMétodos iterativos para resolver sistemas de ecuaciones lineales
Clase No. 8 (Parte 1): MAT 251 Métodos iterativos para resolver sistemas de ecuaciones lineales Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
Más detallesDesarrollo de las condiciones de optimalidad y factibilidad. El problema lineal general se puede plantear como sigue:
Método simplex modificado Los pasos iterativos del método simplex modificado o revisado son exactamente a los que seguimos con la tabla. La principal diferencia esá en que en este método se usa el algebra
Más detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática de junio de 200 Ejercicio 3 pt. Considera el siguiente problema de programación no lineal:. Se trata de un problema convexo?
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detalles